Python正则表达式
# 正则表达式字符串是编程时涉及到的最多的一种数据结构，对字符串进行操作的需求几乎无处不在。比如判断一个字符串是否是合法的Email地址，虽然可以编程提取 `@` 前后的子串，再分别判断是否是单词和域名，但这样做不但麻烦，而且代码难以复用。
正则表达式是一种用来**匹配字符串的强大工具**。它的设计思想是**用一种描述性的语言来给字符串定义一个规则，凡是符合规则的字符串，我们就认为它“匹配”了**，否则，该字符串就是不合法的。
所以我们判断一个字符串是否是合法的Email的方法是：
1. 创建一个匹配Email的正则表达式；
2. 用该正则表达式去匹配用户的输入来判断是否合法。
因为正则表达式也是用字符串表示的，所以，我们要首先了解**如何用字符来描述字符**。
在正则表达式中，如果直接给出字符，就是**精确匹配**。用 `\d` 可以**匹配一个数字**，`\w` 可以**匹配一个字母或数字**，`\s` 可以**匹配一个空格（也包括Tab等空白符）**。所以：
- `'00\d'` 可以匹配 `'007'`，但无法匹配 `'00A'`；
- `'\d\d\d'` 可以匹配 `'010'`；
- `'\w\w\d'` 可以匹配 `'py3'`；
- `.` 可以匹配任意字符，所以： `'py.'` 可以匹配 `'pyc'`、`'pyo'`、`'py!'` 等等。
要匹配变长的字符，在正则表达式中，用 `*` 表示**任意个字符（包括0个）**，用 `+` 表示**至少一个字符**，用 `?` 表示**0个或1个字符**，用 `{n}` 表示**n个字符**，用 `{n,m}` 表示**n-m个字符**：
来看一个复杂的例子：`\d{3}\s+\d{3,8}`
我们来从左到右解读一下：
- `\d{3}` 表示匹配3个数字，例如 `'010'`；
- `\s+` 表示至少有一个空格，例如匹配 `' '`，`''` 等；
- `\d{3,8}` 表示3-8个数字，例如 `'1234567'`。
综合起来，上面的正则表达式可以匹配以任意个空格隔开的带区号的电话号码。
如果要匹配 `'010-12345'` 这样的号码呢？由于 **`'-'` 是特殊字符**，在正则表达式中，**要用 `'\'` 转义**，所以，用于匹配的正则表达式应为 `\d{3}\-\d{3,8}`。
但是，上面的方法无法匹配 `'010 - 12345'`，我们需要更复杂的匹配方式。
---
<br>
## 进阶
要做更精确地匹配，可以用 `[]` 表示一个范围，比如：
- `` 可以匹配一个数字、字母或者下划线；
- `+` 可以匹配至少由一个数字、字母或者下划线组成的字符串，比如'a100'，'0_Z'，'Py3000'等等；
- `*` 可以匹配由字母或下划线开头，后接任意个由一个数字、字母或者下划线组成的字符串，也就是Python合法的变量；
- `{0, 19}` 更精确地限制了变量的长度是1-20个字符（前面1个字符+后面最多19个字符）。
- `A|B` 可以匹配A或B，所以 `(P|p)ython` 既可以匹配 `'Python'` 又可以匹配 `'python'`。
- `^` 表示行的开头，`^\d` 表示必须以数字开头。
- `$` 表示行的结束，`\d$` 表示必须以数字结束。
有趣的是 `py` 也可以用来匹配 `'python'`，但是加上 `^py$` 就变成了整行匹配，只能匹配 `'py'` 了。
---
<br>
## re模块
有了准备知识，我们就可以在Python中使用正则表达式了。Python提供了 `re` 模块，包含所有正则表达式的功能。注意，在正则表达式中，我们使用 `\` 来表示转义，但在Python的字符串中，`\` 同样是一个转义符。因此，使用时我们就要特别注意字符串中的 `\` 是否能正确地起作用。比方说：
```python
s = 'ABC\\-001'
```
这个字符串中，第一个 `\` 用于为第二个 `\` 转义，所以打印这个字符串实际上得到的是 'ABC\-001'，这样用作正则表达式时，就能正确地转义 `-`。而：
```python
s = 'ABC\-001'
```
这个字符串实际上是 `'ABC-001'`，由于 `-` 在正则表达式中是一个特殊字符，而这里我们希望的是它只作为用于匹配字符 `-` 的功能，所以这样得到的正则表达式就出错了。
因此在书写正则表达式时，推荐使用Python字符串的 `r` 前缀，这样就不用考虑字符转义的问题了：
```python
s = r'ABC\-001'
```
**`r` 前缀表示后面的字符串中无需转义字符。**
接下来看看如何判断正则表达式是否与字符串匹配：
```python
>>> import re
>>> re.match(r'^\d{3}\-\d{3,8}$', '010-12345')
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> re.match(r'^\d{3}\-\d{3,8}$', '010 12345')
>>>
```
`re` 模块的 `match()` 方法判断是否匹配，如果匹配成功，返回一个 `Match` 对象，否则返回 `None`。常见的判断方法就是：
```python
test = '用户输入的字符串'
if re.match(r'正则表达式', test):
print('ok')
else:
print('failed')
```
---
<br>
## 切分字符串
用正则表达式切分字符串比用固定的字符更灵活，请看正常的切分代码：
```python
>>> 'a b c'.split(' ')
['a', 'b', '', '', 'c']
```
嗯，无法识别连续的空格，用正则表达式试试：
```python
>>> re.split(r'\s+', 'a b c') # '\s+'表示至少匹配一个空白字符
['a', 'b', 'c']
```
无论多少个空格都可以正常分割。加入 `,` 试试：
```python
>>> re.split(r'[\s\,]+', 'a,b, cd')
['a', 'b', 'c', 'd']
```
再加入 `;` 试试：
```python
>>> re.split(r'[\s\,\;]+', 'a,b;; cd')
['a', 'b', 'c', 'd']
```
如果用户输入了一组标签，下次记得可以用正则表达式来把不规范的输入转化成正确的数组。
---
<br>
## 分组
除了简单地判断是否匹配之外，正则表达式还有提取子串的强大功能。用 `()` 表示的就是要提取的**分组（Group）**。比如：
`^(\d{3})-(\d{3,8})$` 分别定义了两个组，可以直接从匹配的字符串中提取出区号和本地号码：
```python
>>> m = re.match(r'^(\d{3})-(\d{3,8})$', '010-12345')
>>> m
<_sre.SRE_Match object; span=(0, 9), match='010-12345'>
>>> m.group(0)
'010-12345'
>>> m.group(1)
'010'
>>> m.group(2)
'12345'
```
如果正则表达式中定义了组，就可以在 `Match` 对象上用 `group()` 方法提取出某个子串。注意到 `group(0)` 永远是原始字符串，`group(1)`、`group(2)` …… 表示第1、2、……个子串。
提取子串非常有用。来看一个更凶残的例子：
```python
>>> t = '19:05:30'
>>> m = re.match(r'^(0|1|2|)\:(0|1|2|3|4|5|)\:(0|1|2|3|4|5|)$', t)
>>> m.groups()
('19', '05', '30')
```
这个正则表达式可以直接识别合法的时间。但是有些时候，用正则表达式也无法做到完全验证，比如识别日期：
```python
'^(0|1|)-(0|1|2|3|)$'
```
对于'2-30'，'4-31'这样的非法日期，用正则还是识别不了，或者说写出来非常困难，这时就需要编写其他代码来配合识别了。
---
<br>
## 贪婪匹配
最后需要特别指出的是，**正则匹配默认是贪婪匹配**，也就是匹配尽可能多的字符。举例如下，匹配出数字后面的0：
```python
>>> re.match(r'^(\d+)(0*)$', '102300').groups()
('102300', '')
```
由于 `\d+` 采用贪婪匹配，直接把后面的0全部匹配了，结果 `0*` 就只能匹配到空字符串了。
必须让 `\d+` 采用非贪婪匹配（也就是尽可能少匹配），才能把后面的0匹配出来，这时我们可以使用 `?` 来让 `\d+` 采用非贪婪匹配：
```python
>>> re.match(r'^(\d+?)(0*)$', '102300').groups()
('1023', '00')
```
---
<br>
## 编译
当我们在Python中使用正则表达式时，`re` 模块内部会干两件事情：
1. 编译正则表达式，如果正则表达式的字符串本身不合法，会报错；
2. 用编译后的正则表达式去匹配字符串。
如果一个正则表达式要重复使用几千次，出于效率的考虑，我们可以**预编译正则表达式**，接下来**重复使用时就不需要编译这个步骤了**，可以直接匹配：
```python
>>> import re
# 编译:
>>> re_telephone = re.compile(r'^(\d{3})-(\d{3,8})$')
# 使用：
>>> re_telephone.match('010-12345').groups()
('010', '12345')
>>> re_telephone.match('010-8086').groups()
('010', '8086')
```
编译后生成 `Regular Expression` 对象，由于该对象自己包含了正则表达式，所以调用对应的方法时不用给出正则字符串。
---
<br>
## 小结
正则表达式非常强大，要在短短的一节里讲完是不可能的。要讲清楚正则的所有内容，可以写一本厚厚的书了。如果你经常遇到正则表达式的问题，你可能需要一本正则表达式的参考书。
---
<br>
## 练习
### 习题一
> 请尝试写一个验证Email地址的正则表达式，可以验证类似以下格式的Email：
```python
someone@gmail.com
bill.gates@microsoft.com
```
代码：
```python
import re
re_email = re.compile(r'^+?@+?.com$')
while True:
test = input('\nPlease input your email address: ')
if re_email.match(test):
print('ok')
else:
print('failed')
```
---
### 习题二
> 继续上一题，但这次的Email地址带名字，要既能验证地址又能提取出名字：
```python
<Tom Paris> tom@voyager.com
<Mary Liu> mary@microsoft.com
```
代码：
```python
import re
re_email = re.compile(r'^<(+?)\s(+?)>\s(+?@+?.com)$')
while True:
test = input('\nPlease input your email address: ')
match = re_email.match(test)
if match:
print(match.group(1)+' '+match.group(2)+"'s email address is: "+match.group(3))
else:
print('failed')
```
---
<br>
谢谢分享
页:
[1]